基于深度学习的交通预测方法研究

张宇 余华云

摘要：交通预测是实现智慧城市中智能交通系统的重要组成部分，直接影响到后续的交通控制与诱导系统的实现，已经越来越受到人工智能研究领域的重视。例如，准确预测的士需求，可协助的士公司预先调配的士以满足乘客的出行需求，并减少街道上浪费能源和加剧交通拥堵的空车。随着Uber、滴滴出行等打车需求服务在中国的日益普及，我们能够持续收集大规模的打车需求数据。如何利用这样的大数据来提高需求预测是一个有趣而关键的现实问题。传统的需求预测方法大多依赖于时间序列预测技术，无法对复杂的非线性时空关系进行建模。最近在深度学习方面的研究表明，通过从大量数据中学习复杂特征和相关性，深度学习在传统的挑战性任务（如图像分类）中表现出优异的性能。这一突破激发了研究人员探索交通预测问题的深度学习技术。本文将简单介绍交通预测问题，以及其中涉及的传统方法和深度学习算法。

关键词：交通预测;传统方法;深度学习

中图分类号：TP311 文献标识码：A

文章编号：1009-3044（2019）36-0182-02

交通是城市的脉搏，影响着数百万人的日常生活。未来智慧城市最根本的问题之一是如何建立一个高效的交通系统。为了解决这个问题，一个关键组件是一个准确的需求预测模型。交通预测是一个时空预测问题，由于交通相关数据集的不断增长及其在实际应用中的影响而受到越来越多的关注。同时，准确的交通预测模型对于许多实际应用是必不可少的。例如，出租车需求预测可以帮助出租车公司提前分配出租车;交通量预测可以帮助交通部门更好地管理和控制交通，缓解交通拥堵。我们对旅游需求的预测越好，我们就能更好地预先分配资源来满足需求，避免不必要的能源消费。目前，随着优步、滴滴出行等打車需求服务的日益普及，我们能够以前所未有的规模收集海量的需求数据。如何利用大数据更好地预测交通需求，在人工智能研究领域引起了越来越多的关注。本文研究了出租车需求预测问题;这个问题是如何通过使用历史出租车请求数据预测未来某个地区的出租车请求数量。

1交通预测问题

交通预测是在给定历史交通数据后（例如，前一个月每个小时的区域或道路交叉口的交通量），预测下一个时间段的交通相关值。数据驱动的交通预测问题几十年来一直受到广泛关注，交通预测的问题可以包括预测任何与交通有关的数据，例如交通量（从GPS或环路传感器收集的）、出租车接送、交通进出流量和出租车需求等。这些不同类型的交通数据的问题制定过程是相同的。本质上，目标是预测a的交通相关值时间戳中的位置。

2传统方法

数学时间序列预测方法是常用的方法，自回归综合移动平均（ARIMA）及其变体和卡尔曼滤波被广泛应用于交通预测问题。虽然这些早期的方法分别研究每个单独位置的交通时间序列，但最近的研究开始考虑空间信息（例如，增加附近位置模型相似性的正则化）、外部语境信息（如增加场地信息、天气状况、当地活动等特征）。在此外，最近的研究也明确地引入了各种技术来建模空间交互信息。例如，Deng等人利用路网矩阵因子分解来获取道路连通区域之间的相关性来预测交通量。几项研究也提出了通过正则化来平滑邻近位置和时间点的预测差异，实现对近距离空间和时间的依赖关系。这些研究假设附近地区的交通状况应该相似。虽然这些研究表明考虑各种附加因素可以提高预测效果，但这些方法仍然基于传统的时间序列模型或机器学习模型，不能很好地捕捉复杂的非线性时空依赖关系。

3深度学习方法

最近，深度学习在许多具有挑战性的学习任务中取得了巨大的成功，使研究人员能够对复杂的非线性关系进行建模，并在计算机视觉和自然语言处理领域显示了有前景的结果。这一成功启发了几项将深度学习技术应用于交通预测问题的研究。例如，几项研究将城市交通建模为热图图像，将一段时间的交通量视为像素值。给定一组历史交通图像，该模型预测下一个时间戳的交通图像。利用卷积神经网络（CNN）对非线性空间依赖关系进行建模。例如，利用多个来源的上下文数据设计了一个神经网络框架，预测出租车供需缺口。该方法使用了广泛的特征，但没有对时空交互进行建模。

一系列的研究使用CNN将整个城市的交通作为图像来捕捉空间相关性。例如，利用CNN对交通速度图像进行速度预测问题。提出在交通流图像上使用残差CNN。这些方法简单地使用整个城市的CNN，并将使用所有地区的预测。我们观察到，利用不相关的区域（如偏远区域）来预测目标区域实际上可能会损害性能。此外，虽然这些方法确实使用历史时间戳的流量图像进行预测，但它们没有显式地对时间顺序依赖关系建模。

另一组研究使用LSTM对顺序依赖关系进行建模。Yu等人提出应用长短时记忆（LSTM）网络和自动编码器来捕捉极端情况下预测交通的顺序依赖关系，特别是在高峰时刻和事故后场景。第一行研究堆叠了几个完全连接的层，融合了来自多个来源的上下文数据，用于预测交通需求、出租车供需缺口。这些方法使用了广泛的特性，但没有显式地对空间和时间交互进行建模。第二行研究应用卷积结构捕获交通流预测的空间相关性。第三条研究采用基于递归神经网络的模型对顺序依赖关系进行建模。为了建模非线性时间依赖关系，研究人员提出使用基于递归神经网络（RNN）的框架，Yu等人提出使用长短时记忆网络（LSTM）来预测环路传感器读数。结果表明，所提出的LSTM模型能够对复杂的序列交互进行建模。与以往基于传统时间序列预测方法的方法相比，这些开拓性的尝试显示出更好的性能。然而，虽然这些研究明确地对时间顺序依赖或空间依赖进行了建模，但没有一个研究同时考虑这两个方面。

最近，一些研究使用卷积LSTM处理出租车需求预测的时空依赖性。Yao等人进一步提出了一种多视图时空网络用于需求预测，该网络融合了LSTM、local-CNN和语义网络嵌入，同时学习时空依赖性。基于路网的研究将传统的CNN和RNN结构扩展到基于图的CNN和RNN进行交通预测，如graph convolu-tional GRU、graph attention等。

4结论

本文对交通预测问题做了说明，并介绍了交通预测中的传统方法和深度学习方法。深度学习对非线性的建模能力使其大大超出传统方法。在未来，我们计划对交通预测中最新的时空神经网络进行优化，进一步改进其性能，用更短的时间、更少的资源达到更精确的预测率。

参考文献：

[1] Huaxiu Yao， Xianfeng Tang， Hua Wei， ey al.Revisiting Spa-tial-Temporal Similarity：A Deep Leaming Framework for rrraf_fic Prediction[C]. AAAI Conference on Artificial Intelligence，2019.

[2] Huaxiu Yao， Fei Wu， Jintao Ke， et al.Deep multi-view spa-tial-temporal network for taxi demand prediction. AAAI Con-ference on Artificial Intelligence， 2018.

[3]周光临.组合知识图谱和深度学习的城市交通拥堵区域预测研究[D].合肥：中国科学技术大学，2019.

[4]冉祥栋.基于深度学习的交通时问预测模型与方法研究[D].北京：北京科技大学，2019.

[5]周扬栋.城市道路短时交通流预测方法研究[D].江西：江西理工大学，2018.

[6]金文蔚.城市区域人口流量计算及预测研究[D].北京：北京交通大学，2018.

[7]安磊.基于Recurrent Neural Network的网约车供需预测方法[D].河北：河北师范大学，2018.

[8]宁洪波.基于Spark云计算平台的城市交通流实时预测技术[D].广东：广东工业大学，2018.

[9]乔松林.基于深度学习的短时交通流量预测研究[D].青岛：青岛大学，2018.

[10]康丹青.基于深度学习的短时交通流預测方法研究[D].哈尔滨：哈尔滨理工大学，2018.

【通联编辑：梁书】

收稿日期：2019-09-27

作者简介：张宇（1995-），男，硕士，研究方向为软件工程、图形图像处理、机器学习;余华云（1968-），男，副教授，研究方向为软件工

程、多媒体信息处理。